| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外发展现状 | 第12-13页 |
| 1.3 本文主要的研究内容和结构安排 | 第13-15页 |
| 第二章 图像重建理论概述 | 第15-31页 |
| 2.1 引言 | 第15页 |
| 2.2 图像重建观测模型 | 第15页 |
| 2.3 图像重建类型 | 第15-18页 |
| 2.3.1 图像去噪 | 第15-16页 |
| 2.3.2 图像去模糊 | 第16-17页 |
| 2.3.3 压缩感知 | 第17页 |
| 2.3.4 超分辨重建 | 第17-18页 |
| 2.4 模糊算子 | 第18-19页 |
| 2.5 运动模型 | 第19-20页 |
| 2.6 图像重建的不适定性 | 第20-21页 |
| 2.6.1 病态问题和不适定问题概述 | 第20页 |
| 2.6.2 图像重建是不适定性病态逆问题 | 第20-21页 |
| 2.7 图像重建方法 | 第21-28页 |
| 2.7.1 频域方法 | 第21-22页 |
| 2.7.2 空域方法 | 第22-25页 |
| 2.7.3 基于小波域内图像重建方法 | 第25-26页 |
| 2.7.4 基于学习的图像重建方法 | 第26-28页 |
| 2.8 图像重建质量评估方法 | 第28-30页 |
| 2.9 本章小节 | 第30-31页 |
| 第三章 正则化理论概述 | 第31-43页 |
| 3.1 范数 | 第31-32页 |
| 3.2 正则化 | 第32-33页 |
| 3.3 稀疏表示概述 | 第33-36页 |
| 3.3.1 信号的表示 | 第33-34页 |
| 3.3.2 稀疏表示特性 | 第34-36页 |
| 3.4 范数正则子介绍 | 第36-40页 |
| 3.4.1 l_0范数正则子 | 第36-37页 |
| 3.4.2 l_1范数正则子 | 第37-38页 |
| 3.4.3 l_2范数正则子 | 第38页 |
| 3.4.4 l_(1/2)范数正则子 | 第38-40页 |
| 3.5 小结 | 第40-43页 |
| 第四章 基于MAP的正则化图像重建方法 | 第43-61页 |
| 4.1 MAP正则化方法原理 | 第43-52页 |
| 4.1.1 贝叶斯定理 | 第43-44页 |
| 4.1.2 MAP方法推导过程 | 第44-45页 |
| 4.1.3 图像重建随机场模型 | 第45-50页 |
| 4.1.4 基于MAP正则化的目标方程求解 | 第50-52页 |
| 4.2 图像重建正则化方法介绍 | 第52-56页 |
| 4.2.1 Tikhonov正则化方法 | 第52-54页 |
| 4.2.2 全变分正则化方法 | 第54-55页 |
| 4.2.3 双线性全变分 | 第55页 |
| 4.2.4 Huber-MRF正则化方法 | 第55-56页 |
| 4.3 实验结果 | 第56-59页 |
| 4.4 小结 | 第59-61页 |
| 第五章 自适应加权编码l_(1/2)范数正则化的图像重建算法 | 第61-75页 |
| 5.1 l_(1/2)范数正则化方法 | 第61页 |
| 5.2 自适应范数混合模型 | 第61-63页 |
| 5.3 加权编码方法 | 第63-64页 |
| 5.4 自适应隶属度算法 | 第64-65页 |
| 5.5 实验结果 | 第65-74页 |
| 5.6 结论 | 第74-75页 |
| 第六章 总结与展望 | 第75-77页 |
| 6.1 总结 | 第75页 |
| 6.2 展望 | 第75-77页 |
| 致谢 | 第77-79页 |
| 参考文献 | 第79-85页 |
| 附录A 攻读硕士学位期间发表的论文以及软件著作权 | 第85页 |